원문 보기(클릭)

Key Points

1. Tesla’s AI Day 2022 was mainly a recruiting event, according to CEO Elon Musk.
2. The company showed early prototypes of a humanoid robot and said it’s developing special batteries and actuators for them.
3. Musk said he thinks it will be possible for customers to get an Optimus humanoid robot from Tesla in 3 to 5 years.

요약

1. 테슬라 AI Day에서 휴머노이드 로봇 프로토타입을 선보임. 지난 21년 8월에는 프로토타입도 없어 레오타드 입은 마네킹 보여준 것에 비해 대단한 발전
2. 로봇이 걷고 물건을 잡는 걸 보여줌
3. 테슬라는 Full Self-Driving에 사용되는 AI를 넘어 더 general하게 real world에 AI를 사용할 것: Humanoid Robot and even going beyond that 이게 테슬라의 AGI에 의미있는 기여가 될 것 (AGI는 하나의 인간을 AI가 대신하는 것을 말함)
4. 테슬라 봇(= Humanoid Robot = Optimus)은 차보다 더 General 하게 쓰일 것. 식료품점에서 음식을 사온다던지.. 결국에 차보다 더 가치있는 제품이 될 것이다. 테슬라는 미래에 배터리와 차 공장의 사람을 로봇으로 대체
5. 테슬라가 디자인한 액추에이터(=근육과 같은 기능) 기반으로 미래에 더 다양한 기술을 선보일 예정
6. 테슬라 자율주행을 위한 컴퓨터 비전 기술이 테슬라 봇에도 적용
7. 두발로 걷는 휴머노이드가 테슬라에게 의미 있는 기술. 더 어려운 기술이지만.. 한번의 충전으로 하루를 사용하기 위한 배터리와 액추에이터 개발을 위해 노력
8. 자율주행 관련, 하드웨어 추가 없이 완벽한 자율주행 가능하도록 개발 중
9. 자율주행 알고리즘 학습을 위한 데이터 라벨링을 자동으로 하는 auto-labeling technology 개발함
10. 이건 우리가 알고 있는 문명의 근본적인 변화(It really is a fundamental transformation of civilization as we know it.)이며, 옵티머스(=테슬라봇)은 테슬라의 미션인 "making the future awesome"의 확장 (sustainable energy와 무관(^^;))
11. 3-5년 내 휴머노이드 로봇 상용화

개인적으로 테슬라의 애자일 정신?이랄까 덜 완벽한 제품을 선보이고 리얼 데이터를 얻으며 발전해가는.. 걸 선호하진 않지만 대단하다고는 생각한다. 상상을 현실로 만들기 위해서는 그만한 실행력은 있어야 하는 거겠지
차는 생명이랑 직결되어 있지만 휴머노이드는 그보다는 덜 위험하기 때문에 상용화가 오히려 쉬울수도..? 다만 로봇 엔지니어링 자체는 3-5년 내 가능해도 AI 쪽은 어려울 것 같은데 나도 잘 모르니까.. 모르겠다. 차량 데이터는 그나마 정형화되어 있다고 생각하는데 진짜 생활으로 들어오려면 훨씬 복잡하고 상상도 못한 데이터들을 학습해야 하지 않을까

AGI를 비롯한 인공지능 단계를 오늘 뉴스레터에서 봤는데 꽤 흥미로웠다. 이건 내일 블로그에 정리해보겠다!

Analog-to-Digital Converter(ADC)

1. 역할

   • 아날로그 신호를 디지털 형식으로 변환
     • 임베디드 시스템을 둘러싼 세계는 대체로 아날로그
     • → 온도, 소리, 가속도 등의 센서는 대부분 아날로그 출력
     • MCU: 아날로그 신호를 디지털 형식으로 사용할 수 있도록 변환해야 함 → ADC의 역할
   • 미리 결정된 정확도로 아날로그 신호를 디지털 표현으로 변환
   • → MCU는 아날로그 입력 값을 기반으로 변환된 디지털 정보를 처리 혹은 분석

2. 동작 원리

   • 디지털 출력이 아날로그 입력에 비례하는 전자 회로

   • 입력 전압을 측정하고 측정된 크기에 비례한 이진수 출력

   • 아날로그 입력 신호는 매우 다양한 주파수 특징을 가짐

     • 온도 신호: 매우 천천히 변화

     • 소리, 진동 신호: 수백-수십 킬로 주파수의 변화

     • 비디오, 레이더: 매우 높은 주파수

     • → 다양한 신호 특성에 최적화된 유형의 ADC가 개발되어 있음

       

   • 아날로그 MUX 이용 → 한 개의 ADC가 여러 개의 아날로그 입력 채널 변환

   • 고정밀 아날로그 회로 구성, CPU와 인터페이스를 위해 복잡한 구조를 가짐

   • ADC 변환 과정

     1. 입력 채널 선택
        • 여러 입력 신호 채널 중 Input Select 활용하여 선택
     2. ADC 변환 시작
        • CPU에서 ADC 변환 시작 명령
        • Clock Input과 원하는 Resolution에 따라 일정 시간 소요
        • 변환 시 외부에서 공급하는 기준 전압(Voltage Reference) 사용
     3. ADC 변환 완료
        • 변환이 완료되면 CPU에 완료 이벤트 발생
     4. 디지털 값 읽기
        • 결과 레지스터 값을 읽어들임

          양자화, 범위, 분해능

양자화(Quantization)

• ADC는 아래 수식에 따라 아날로그 입력값 반올림 혹은 버림의 과정을 거쳐 디지털 값으로 양자화 변환
  $$D=\frac{V_i}{V_r}\times 2^n$$
  $D$: 디지털 출력, $V_i$: 아날로그 입력, $V_r$: 레퍼런스 전압, $n$: 디지털 출력 비트 수
• 만약 $V_r$ 범위의 아날로그 입력 신호를 3-bit 디지털 신호로 변환한다면?
• 

범위(Range)

• ADC에서 변환 가능한 아날로그 입력 값 허용 범위가 있음
  • 허용 범위 내의 아날로그 입력만 유효
  • 범위를 벗어나는 입력이 인가되는 경우
    1. 전기적으로 허용되는 범위 내
    2. → 포화된 값(0 또는 $2^n-1$)
    3. 전기적 허용 범위를 넘어서는 경우
    4. → 복구할 수 없는 회로 손상을 입을 수 있음(주의!)

분해능(Resolution)

• 얼마나 정밀하게 아날로그 값을 근사하는지를 보여주는 지표
  • ADC: 아날로그 값을 가장 가까운 디지털 값으로 근사시키는 과정→ Resolution 지표 사용
  • → 얼마나 정밀하게 근사하는지가 중요한 지표!
• Resolution
  • $V_r$: 레퍼런스 전압(입력 범위), $n$: 디지털 출력 비트 수
  • 디지털 1비트의 정보가 아날로그 전압으로 얼마를 나타내는지를 의미
  • 고정밀도의 분해능을 얻기 위해서는
    • 입력 범위인 $V_r$이 작거나
    • 디지털 변환 단위인 비트 수 $n$이 크면 된다!
    • 대부분의 경우 $V_r$은 3.3V 혹은 5V로 고정되어 있으므로 높은 정밀도를 얻기 위해서는 비트 수를 높여야 함
    • ex. 5V일 경우
      1. 8-bit: 0.02V(0.4%)의 분해능
      2. 10-bit: 0.005V(0.1%)의 분해능
• $$resolution=\frac{V_r}{2^n}$$

Flash vs. SAR vs. SD

Flash

• 장점
  • Resolution

Successive Approximation Resister(SAR)

• the most popular architecture
  • 대부분(or all?)의 MCU에서 사용

Sigma-Delta(SD)

• Resolution이 18-24bit라면 SD일 가능성이 높음

  ADC	Pros	Main Applications
  Successive Approximation (SAR)	Good speed/resolution ratio	Data Acquisition
  Delta-sigma	High dynamic performance, inherent anti-aliasing protection	Data Acquisition, Noise & Vibration, Audio
  Dual Slope	accurate, inexpensive	Voltmeters
  Pipelined	Very fast	Oscilloscopes
  #

• SAR ADCs*

• faster than Sigma-Deltas

Pipeline ADCs

• the highest speeds and higher bandwiths
• lower resolution
• higher cost
• some latency or delay
• power-hungry

• 추가 비교 이미지*

참고한 자료
ADC Basic(원문 보기)
SAR vs. Sigma-Delta ADC(원문 보기)
기타 구글링 자료

원문 보기(클릭)

Deep Learning: A Technique of Machine Learning

전통 머신 러닝은 개발자가 컴퓨터에게 define된 data set을 주고 잘못된 결과가 나오면 알고리즘을 저장하는 형태였음
딥러닝은 머신 러닝의 subset으로 undefine된 data로 분석(parse)하여 트레이닝 중인 데이터에 대해 학습함
딥러닝은 개발자의 알고리즘 재조정이 필요 없는 대신 더 좋은 성능(performance)를 위해 큰 data set이 필요함

Delving Further into Deep Learning

large sets of data는 훈련되지 않은 Neural Network으로 계산되며, 과정 중에 각 레이어의 가중치(weight)를 조정하여 데이터의 중요한 지표(feature)를 인식함
무게(weight) 조정은 NN(Neural network)이 task를 처리하는 성능을 발전시키는 데 중요함
이 과정에 높은 computiational power가 필요

Difference between Training and Inference of Deep Learning Frameworks

추론(Inference)은 훈련(training)과 달리 결과에 의한 조정이나 재평가가 필요 없음
훈련된 neural netwrok model의 지식으로 추론 결과를 내는 것
모르는 데이터 세트가 훈련된 neural network model로 입력되면 해당 neural network의 정확도를 기반으로 예측을 내놓음
⇒ 추론은 훈련된 neural network model이 필요, 훈련 후에 추론이 이루어짐

Important aspects of Inference

딥러닝 시스템이 추론에 이용되지만, 추론의 중요한 측면이 딥러닝 시스템을 ideal하지 않게 만듬
딥러닝 시스템은 많은 양에 데이터를 다루고 neural network를 재평가하는 데 최적화되어 있고, 높은 성능의 컴퓨팅 성능을 요구함 = 많은 에너지와 cost 소모
추론은 data set이 더 적을 수는 있지만 많은 장치로 하이퍼스케일링 됨

parses 분석하다
computing: to examine computer data and change it into a form that can be easily read or understood :

delve into 깊이 파고들다 (digging 처럼 사용되는 듯)
to search, especially as if by digging, in order to find a thing or information:

hyperscale
분산된 컴퓨팅 환경을 수천 개의 서버로 확장할 수 있는 완전한 하드웨어 및 시설의 조합. 이름에서 알 수 있듯이 하이퍼스케일은 일반적으로 빅 데이터 또는 클라우드 컴퓨팅 용도로 컴퓨팅에서 이루어지는 대규모 확장에 관한 모든 것을 의미한다고 함.. (무슨 말인지 모르겠음)